[InternLM 大模型开源社区]大模型实战营第三期@202408-基础岛-第4关-llamaindex+Internlm2 RAG实践

任务类型	任务内容	预计耗时	完成度
闯关任务	基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存	45mins	完成

• check this out! github repo llamaindex
• vi llamaindex_env.sh, copy below, and bash llamaindex_env.sh run it!

  conda create -n llamaindex python=3.10 -y
  source activate llamaindex
  pip install  torch==2.1.2+cu118 torchvision==0.16.2+cu118 torchaudio==2.1.2 torchtext \
  	llama-index  llama-index-llms-huggingface  \
  	llama-index-embeddings-huggingface llama-index-embeddings-instructor \
  	transformers huggingface_hub \
  	sentence-transformers sentencepiece \
  	einops protobuf \
  	-f https://mirror.sjtu.edu.cn/pytorch-wheels/cu118/?mirror_intel_list \
  	-f https://download.pytorch.org/whl/cu118/torch_stable.html
  

• download sentence-transformers

  conda activate llamaindex \
  	&& export HF_ENDPOINT='https://hf-mirror.com' \
  	&& mkdir -p /root/model && \
  	huggingface-cli download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer
  

• download NLTK: vi nltk.sh and copy it, then bash nltk.sh

  git clone https://gitee.com/yzy0612/nltk_data.git  --branch gh-pages /root/nltk_data
  mv /root/nltk_data/packages/*  /root/nltk_data/
  unzip /root/nltk_data/tokenizers/punkt.zip -d /root/nltk_data/tokenizers
  unzip /root/nltk_data/taggers/averaged_perceptron_tagger.zip -d /root/nltk_data/taggers
  

• vi llamaindex_internlm.py, copy it, then conda activate llamaindex && python llamaindex_internlm.py

  from llama_index.llms.huggingface import HuggingFaceLLM
  from llama_index.core.llms import ChatMessage
  llm = HuggingFaceLLM(
      model_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
      tokenizer_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
      model_kwargs={"trust_remote_code":True},
      tokenizer_kwargs={"trust_remote_code":True}
  )
  
  rsp = llm.chat(messages=[ChatMessage(content="xtuner是什么？")])
  print(rsp)
  

- run it mkdir -p /root/code/llamaindex/data && wget https://raw.githubusercontent.com/InternLM/xtuner/main/README_zh-CN.md -O /root/code/llamaindex/data/README_zh-CN.md

• vi llamaindex_RAG.py, copy it, then python llamaindex_RAG.py

  from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
  
  from llama_index.embeddings.huggingface import HuggingFaceEmbedding
  from llama_index.llms.huggingface import HuggingFaceLLM
  
  #初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
  embed_model = HuggingFaceEmbedding(
  #指定了一个预训练的sentence-transformer模型的路径
      model_name="/root/model/sentence-transformer"
  )
  #将创建的嵌入模型赋值给全局设置的embed_model属性，
  #这样在后续的索引构建过程中就会使用这个模型。
  Settings.embed_model = embed_model
  
  llm = HuggingFaceLLM(
      model_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
      tokenizer_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
      model_kwargs={"trust_remote_code":True},
      tokenizer_kwargs={"trust_remote_code":True}
  )
  #设置全局的llm属性，这样在索引查询时会使用这个模型。
  Settings.llm = llm
  
  #从指定目录读取所有文档，并加载数据到内存中
  documents = SimpleDirectoryReader("/root/code/llamaindex/data").load_data()
  #创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
  # 此索引将文档转换为向量，并存储这些向量以便于快速检索。
  index = VectorStoreIndex.from_documents(documents)
  # 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
  query_engine = index.as_query_engine()
  response = query_engine.query("xtuner是什么?")
  
  print(response)